Struttura del corso

    Introduzione a Machine Learning Tipi di apprendimento automatico: apprendimento supervisionato e non supervisionato Dall'apprendimento statistico all'apprendimento automatico Flusso di lavoro di data mining: Comprensione del business Comprensione dei dati Preparazione dei dati Modellatura Valutazione Spiegamento Algoritmi di apprendimento automatico Scelta dell'algoritmo appropriato al problema Overfitting e compromesso bias-varianza in ML Librerie ML e linguaggi di programmazione Perché usare un linguaggio di programmazione Scelta tra R e Python Corso accelerato di Python Risorse Python Librerie Python per l'apprendimento automatico Notebook Jupyter e codifica interattiva Test degli algoritmi di ML Generalizzazione e overfitting Evitare l'overfitting Metodo di controllo Convalida incrociata Avvio automatico Valutazione delle previsioni numeriche Misure di accuratezza: ME, MSE, RMSE, MAPE Stabilità dei parametri e delle previsioni Valutazione degli algoritmi di classificazione L'accuratezza e i suoi problemi La matrice di confusione Problema delle classi sbilanciate Visualizzazione delle prestazioni del modello Curva dei profitti Curva ROC Curva di portanza Selezione del modello Ottimizzazione del modello - strategie di ricerca della griglia Esempi in Python Preparazione dei dati Importazione e archiviazione dei dati Comprendere i dati: esplorazioni di base Manipolazioni dei dati con la libreria panda Trasformazioni dei dati – Data wrangling Analisi esplorativa Osservazioni mancanti: rilevamento e soluzioni Outlier: rilevamento e strategie Standardizzazione, normalizzazione, binarizzazione Ricodifica qualitativa dei dati Esempi in Python Classificazione Classificazione binaria e multiclasse Classificazione tramite funzioni matematiche Funzioni discriminanti lineari Funzioni discriminanti quadratiche Regressione logistica e approccio probabilistico K-Vicini più prossimi Bayes ingenuo Alberi decisionali CARRETTO Insaccamento Random Forests Aumentare Xgboost Supporto Vector Machines e kernel Classificatore del margine massimo Macchina vettoriale di supporto Apprendimento d'insieme Esempi in Python Regressione e predizione numerica Stima dei minimi quadrati Tecniche di selezione delle variabili Regolarizzazione e stabilità- L1, L2 Non linearità e minimi quadrati generalizzati Regressione polinomiale Spline di regressione Alberi di regressione Esempi in Python Apprendimento non supervisionato Clustering Clustering basato su centroidi – k-means, k-medoids, PAM, CLARA Raggruppamento gerarchico – Diana, Agnese Clustering basato su modelli - EM Mappe auto-organizzanti Valutazione e valutazione dei cluster Riduzione della dimensionalità Analisi delle componenti principali e analisi fattoriale Decomposizione del valore singolare Ridimensionamento multidimensionale Esempi in Python Estrazione di testo Pre-elaborazione dei dati Il modello del sacco di parole Stemming e lemmizzazione Analisi delle frequenze delle parole Analisi del sentiment Creazione di nuvole di parole Esempi in Python Motori di raccomandazioni e filtri collaborativi Dati di raccomandazione Filtraggio collaborativo basato sull'utente Filtro collaborativo basato sugli elementi Esempi in Python Estrazione di modelli di associazione Algoritmo dei set di elementi frequenti Analisi del paniere di mercato Esempi in Python Analisi dei valori anomali Analisi dei valori estremi Rilevamento dei valori anomali basato sulla distanza Metodi basati sulla densità Rilevamento di valori anomali ad alta dimensione Esempi in Python Caso di studio di Machine Learning Comprensione dei problemi aziendali Pre-elaborazione dei dati Selezione e messa a punto dell'algoritmo Valutazione dei risultati Spiegamento

 

 

Requisiti

Conoscenza e consapevolezza dei Machine Learning fondamenti

 21 ore

Numero di Partecipanti



Prezzo per Partecipante

I corsi di formazione pubblici richiedono più di 5 partecipanti.

Recensioni (3)

Even with having to miss a day due to customer meetings, I feel I have a much clearer understanding of the processes and techniques used in Machine Learning and when I would use one approach over another. Our challenge now is to practice what we have learned and start to apply it to our problem domain

Richard Blewett - Rock Solid Knowledge Ltd
Corso - Machine Learning – Data science

I like that training was focused on examples and coding. I thought that it is impossible to pack so much content into three days of training, but I was wrong. Training covered many topics and everything was done in a very detailed manner (especially tuning of model's parameters - I didn't expected that there will be a time for this and I was gratly surprised).

Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Corso - Machine Learning – Data science

It is showing many methods with pre prepared scripts- very nicely prepared materials & easy to traceback

Kamila Begej - GE Medical Systems Polska Sp. Zoo
Corso - Machine Learning – Data science

Corsi relativi

H2O AutoML

14 ore

H2O AutoML is an artificial intelligence platform that automates the process of building, selecting and optimizing large numbers of machine learning models.

This instructor-led, live training (online or onsite) is aimed at data scientists who wish to use H2O AutoML to automate the process of building and selecting the best machine learning algorithm and parameters.

By the end of this training, participants will be able to:

  • Automate the machine learning workflow.
  • Automatically train and tune many machine learning models within a specified time range.
  • Train stacked ensembles to arrive at highly predictive ensemble models.

Format of the Course

  • Interactive lecture and discussion.
  • Lots of exercises and practice.
  • Hands-on implementation in a live-lab environment.

Course Customization Options

  • To request a customized training for this course, please contact us to arrange.
Ulteriori Informazioni...

AutoML with Auto-sklearn

14 ore

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto ai professionisti dell'apprendimento automatico che desiderano utilizzare Auto-sklearn per automatizzare il processo di selezione e ottimizzazione di un modello di apprendimento automatico.

Al termine di questa formazione, i partecipanti saranno in grado di:

  • Automatizza il processo di addestramento di modelli di machine learning ad alta efficienza.
  • Crea modelli di machine learning estremamente accurati evitando le attività più noiose di selezione, addestramento e test di modelli diversi.
  • Sfrutta la potenza del machine learning per risolvere i problemi aziendali del mondo reale.
Ulteriori Informazioni...

AutoML with Auto-Keras

14 ore

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto ai data scientist e alle persone meno tecniche che desiderano utilizzare Auto-Keras per automatizzare il processo di selezione e ottimizzazione di un modello di machine learning.

Al termine di questa formazione, i partecipanti saranno in grado di:

  • Automatizza il processo di addestramento di modelli di machine learning ad alta efficienza.
  • Cerca automaticamente i parametri migliori per i modelli di deep learning.
  • Crea modelli di machine learning estremamente accurati.
  • Sfrutta la potenza del machine learning per risolvere i problemi aziendali del mondo reale.
Ulteriori Informazioni...

Introduction to Stable Diffusion for Text-to-Image Generation

21 ore

Questo corso di formazione dal vivo con istruttore (online o in loco) è rivolto a data scientist, ingegneri di apprendimento automatico e ricercatori di visione artificiale che desiderano sfruttare Stable Diffusion per generare immagini di alta qualità per una varietà di casi d'uso.

Al termine di questa formazione, i partecipanti saranno in grado di:

    Comprendere i principi di Stable Diffusion e come funziona per la generazione di immagini. Compilare ed eseguire il training di Stable Diffusion modelli per le attività di generazione di immagini. Applicare Stable Diffusion a vari scenari di generazione di immagini, ad esempio inpainting, outpainting e conversione da immagine a immagine. Ottimizza le prestazioni e la stabilità dei modelli Stable Diffusion.
Ulteriori Informazioni...

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

21 ore

Questa formazione dal vivo con istruttore in Italia (online o in loco) è rivolta a data scientist di livello intermedio e avanzato, ingegneri di machine learning, ricercatori di deep learning ed esperti di visione artificiale che desiderano espandere le proprie conoscenze e competenze nel deep learning per la generazione di testo in immagine.

Al termine di questa formazione, i partecipanti saranno in grado di:

    Comprendere le architetture e le tecniche avanzate di deep learning per la generazione di testo in immagine. Implementa modelli complessi e ottimizzazioni per una sintesi di immagini di alta qualità. Ottimizza le prestazioni e la scalabilità per set di dati di grandi dimensioni e modelli complessi. Ottimizza gli iperparametri per migliorare le prestazioni e la generalizzazione del modello. Integrazione Stable Diffusion con altri framework e strumenti di deep learning
Ulteriori Informazioni...

AlphaFold

7 ore

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto ai biologi che desiderano capire come funziona AlphaFold e utilizzare AlphaFold i modelli come guide nei loro studi sperimentali.

Al termine di questa formazione, i partecipanti saranno in grado di:

  • Comprendere i principi di base di AlphaFold.
  • Scopri come funziona AlphaFold.
  • Impara a interpretare AlphaFold le previsioni e i risultati.
Ulteriori Informazioni...

TensorFlow Lite for Embedded Linux

21 ore

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto agli sviluppatori che desiderano utilizzare TensorFlow Lite per distribuire modelli di deep learning su dispositivi embedded.

Al termine di questa formazione, i partecipanti saranno in grado di:

  • Installa e configura Tensorflow Lite su un dispositivo incorporato.
  • Comprendere i concetti e le componenti sottostanti TensorFlow Lite.
  • Converti i modelli esistenti in formato TensorFlow Lite per l'esecuzione su dispositivi incorporati.
  • Lavorare entro i limiti di piccoli dispositivi e TensorFlow Lite, imparando a espandere l'ambito delle operazioni che possono essere eseguite.
  • Distribuisci un modello di deep learning su un dispositivo embedded che esegue Linux.
Ulteriori Informazioni...

TensorFlow Lite for Android

21 ore

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto agli sviluppatori che desiderano utilizzare TensorFlow Lite per sviluppare applicazioni mobili con funzionalità di deep learning.

Al termine di questa formazione, i partecipanti saranno in grado di:

  • Installare e configurare TensorFlow Lite.
  • Comprendi i principi alla base di TensorFlow, dell'apprendimento automatico e dell'apprendimento profondo.
  • Carica i modelli TensorFlow su un dispositivo Android.
  • Abilita funzionalità di deep learning e machine learning, come la visione artificiale e il riconoscimento del linguaggio naturale, in un'applicazione mobile.
Ulteriori Informazioni...

Tensorflow Lite for Microcontrollers

21 ore

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto agli ingegneri che desiderano scrivere, caricare ed eseguire modelli di machine learning su dispositivi embedded di dimensioni molto ridotte.

Al termine di questa formazione, i partecipanti saranno in grado di:

  • Installare TensorFlow Lite.
  • Caricare modelli di machine learning su un dispositivo incorporato per consentirgli di rilevare il parlato, classificare le immagini e così via.
  • Aggiungi l'intelligenza artificiale ai dispositivi hardware senza fare affidamento sulla connettività di rete.
Ulteriori Informazioni...

TensorFlow Lite for iOS

21 ore

Questo corso di formazione dal vivo con istruttore (online o in loco) è rivolto agli sviluppatori che desiderano utilizzare TensorFlow Lite per sviluppare applicazioni mobili iOS con funzionalità di deep learning.

Al termine di questa formazione, i partecipanti saranno in grado di:

  • Installare e configurare TensorFlow Lite.
  • Comprendi i principi alla base di TensorFlow e dell'apprendimento automatico sui dispositivi mobili.
  • Carica i modelli TensorFlow su un dispositivo iOS.
  • Esegui un'applicazione iOS in grado di rilevare e classificare un oggetto catturato attraverso la fotocamera del dispositivo.
Ulteriori Informazioni...

Deep Learning Neural Networks with Chainer

14 ore

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a ricercatori e sviluppatori che desiderano utilizzare Chainer per costruire e addestrare reti neurali in Python rendendo il codice facile da debuggare.

Al termine di questa formazione, i partecipanti saranno in grado di:

  • Configurare l'ambiente di sviluppo necessario per iniziare a sviluppare modelli di reti neurali.
  • Definisci e implementa modelli di reti neurali utilizzando un codice sorgente comprensibile.
  • Esegui esempi e modifica gli algoritmi esistenti per ottimizzare i modelli di addestramento del deep learning sfruttando GPU per prestazioni elevate.
Ulteriori Informazioni...

Distributed Deep Learning with Horovod

7 ore

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a sviluppatori o data scientist che desiderano utilizzare Horovod per eseguire corsi di formazione di deep learning distribuiti e scalarli per eseguirli su più GPU in parallelo.

Al termine di questa formazione, i partecipanti saranno in grado di:

  • Configura l'ambiente di sviluppo necessario per iniziare a eseguire corsi di formazione sul deep learning.
  • Installa e configura Horovod per addestrare i modelli con TensorFlow, Keras, PyTorch e Apache MXNet.
  • Ridimensiona l'addestramento al deep learning con Horovod per l'esecuzione su più GPU.
Ulteriori Informazioni...

Accelerating Deep Learning with FPGA and OpenVINO

35 ore

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto ai data scientist che desiderano accelerare le applicazioni di machine learning in tempo reale e distribuirle su larga scala.

Al termine di questa formazione, i partecipanti saranno in grado di:

  • Installare il toolkit OpenVINO.
  • Accelera un'applicazione di visione artificiale utilizzando un FPGA.
  • Esegui diversi livelli CNN sull'FPGA.
  • Ridimensiona l'applicazione su più nodi in un cluster Kubernetes.
Ulteriori Informazioni...

Building Deep Learning Models with Apache MXNet

21 ore

Questo corso di formazione dal vivo con istruttore (online o in loco) è rivolto ai data scientist che desiderano utilizzare Apache MXNet per creare e distribuire un modello di deep learning per il riconoscimento delle immagini.

Al termine di questa formazione, i partecipanti saranno in grado di:

  • Installare e configurare Apache MXNet e i relativi componenti.
  • Comprendere l'architettura e le strutture di dati di MXNet.
  • Usa le API di basso e alto livello di Apache MXNet per creare in modo efficiente reti neurali.
  • Costruisci una rete neurale convoluzionale per la classificazione delle immagini.
Ulteriori Informazioni...

Deep Learning with Keras

21 ore

Questo corso di formazione dal vivo con istruttore in Italia (online o in loco) è rivolto a persone tecniche che desiderano applicare il modello di deep learning alle applicazioni di riconoscimento delle immagini.

Al termine di questa formazione, i partecipanti saranno in grado di:

  • Installare e configurare Keras.
  • Prototipa rapidamente modelli di deep learning.
  • Implementare una rete convoluzionale.
  • Implementare una rete ricorrente.
  • Esegui un modello di deep learning sia su una CPU che su una GPU.
Ulteriori Informazioni...

Categorie relative

Image for Machine Learning category
Machine Learning